深度学习入门—基于Python的实现

深度学习是一种人工智能, 模仿人脑处理数据和创建用于决策的模式方面的工作, 处理用于检测对象、识别语音、翻译语言和进行决策的数据. 本书是深度学习入门级教材，有以下特点：
1. 由浅入深, 对于*基本的单层神经网络到多层神经网络的前向及后向传播理论, 从公式到代码缓慢进阶, 做了透彻的解释, 易于理解及上手。
2. 在基本模块介绍之后, 对于各种更复杂的模型并不拘泥于细节, 而是着重介绍其含义, 让读者着眼于整体框架及未来发展。
3. 尽量跟随新发展, 书中*的模型来自2020年.

深度学习是一种人工智能, 模仿人脑处理数据和创建用于决策的模式方面的工作, 处理用于检测对象、识别语音、翻译语言和进行决策的数据. 本书是深度学习入门级教材，有以下特点：
1. 由浅入深, 对于*基本的单层神经网络到多层神经网络的前向及后向传播理论, 从公式到代码缓慢进阶, 做了透彻的解释, 易于理解及上手。
2. 在基本模块介绍之后, 对于各种更复杂的模型并不拘泥于细节, 而是着重介绍其含义, 让读者着眼于整体框架及未来发展。
3. 尽量跟随新发展, 书中*的模型来自2020年.

吴喜之 北京大学数学力学系本科毕业，北卡罗来纳大学统计系博士。中国人民大学统计学院教授，博士生导师。曾在南开大学、北京大学、加利福尼亚大学、北卡罗来纳大学等多所著名学府执教。

部分 Python 基础 
第 1 章 Python 基础 
1.1引 言
1.2 安 装
1.3 基本模块的编程 
1.4 NumPy 模块 
1.5 Pandas 模块
1.6 Matplotlib 模块
1.7 Python 的类——面向对象编程简介
1.8 习 题
第二部分 神经网络基础及逐步深化
第 2 章 从简单的神经网络说起 
2.1 纪元和批次
2.2 神经网络回归
2.3 神经网络分类
第 3 章 有隐藏层的神经网络 
3.1 一个隐藏层的神经网络 
3.2 多个隐藏层的神经网络
3.3 通过 PyTorch 实现神经网络初等计算
第三部分 深度学习的 PyTorch 实现
第 4 章 神经网络的 PyTorch 逐步深化 
4.1 简单的人造数据回归
4.2 MNIST 手写数字数据神经网络案例 
4.3 卷积神经网络 
4.4 MNIST 手 写 数 字 数 据 ( 续): CNN 
4.5 CIFAR10 数据图像 CNN 案例·
第 5 章 递归神经网络 
5.1 递归神经网络简介
5.2 长短期记忆网络 (LSTM)
5.3 LSTM 预测句子的例子
5.4 门控递归网络 (GRU) 
5.5 数 据 MNIST 手 写 数 字 数 据 的GRU 分类例子
5.6 GRU 处理时间序列的例子
第 6 章 PyTorch 文本数据分析 
6.1 一个简单的文本分类例子
6.2 序列到序列模型 (seq2seq)
6.3 剖析一个著名 seq2seq 案例
第 7 章 用于自然语言处理的变换器 
7.1 变换器的原理
7.2 预训练模块Transformers·
7.3 seq2seq 变换器示范代码
第 8 章 现代 Hopfifield 网络 
8.1 概论
8.2 传统的 Hopfifield 网络
8.3 现代 Hopfifield 网络
8.4 现代 Hopfifield 网络例子
第四部分 深度学习的 TensorFlow 实现
第 9 章 通过例子进入 TensorFlow 
9.1 分类例子: 皮肤病
9.2 回归例子
9.3 不平衡数据分类例子
第 10 章 TensorFlow 案例 
10.1 102 种花卉 CNN 分类例子
10.2 通过 RNN 生成文本例子
10.3 IMDB 数据文本情感分析案例
10.4 IMDB 数据的变换器示范代码
10.5 图像分割案例

深度学习是一种人工智能, 模仿人脑处理数据和创建用于决策的模式方面的工作, 处理用于检测对象、识别语音、翻译语言和进行决策的数据. 本书是深度学习入门级教材，有以下特点：
1. 由浅入深, 对于*基本的单层神经网络到多层神经网络的前向及后向传播理论, 从公式到代码缓慢进阶, 做了透彻的解释, 易于理解及上手。
2. 在基本模块介绍之后, 对于各种更复杂的模型并不拘泥于细节, 而是着重介绍其含义, 让读者着眼于整体框架及未来发展。
3. 尽量跟随新发展, 书中*的模型来自2020年.

吴喜之 北京大学数学力学系本科毕业，北卡罗来纳大学统计系博士。中国人民大学统计学院教授，博士生导师。曾在南开大学、北京大学、加利福尼亚大学、北卡罗来纳大学等多所著名学府执教。

深度学习是机器学习的一个子领域. 它利用层次化的人工神经网络来实现机器学习的过程. 人工神经网络类似于人的大脑, 其神经元节点像网络一样连接在一起. 深度学习系统的分层功能使机器可以使用非线性方法处理数据. 它主要用于有监督学习, 也能够从非结构化或未标记的数据中不受监督地学习网络. 由于深度学习主要使用神经网络, 也称为深度神 
经学习或深度神经网络. 数字时代引起了来自世界各地的各种形式的数据爆炸式增长. 这些数据 (简称为大数据) 来自社交媒体、互联网搜索引擎和电子商务平台等多种资源. 有大量数据易于访问, 并且可以通过云计算等金融科技应用程序共享. 但是, 通常只有非结构化的数据如此庞大, 以至于基于传统方法可能需要数十年才能理解并提取相关信息. 人们意识到, 挖掘这些丰富的信息可能会带来令人难以置信的潜力, 因此, 越来越多地采用诸如深度学习这样的人工智能系统进行自动化支持.